目标检测总结：focal loss 和 RetinaNet

最新推荐文章于 2024-08-11 09:35:58 发布
最新推荐文章于 2024-08-11 09:35:58 发布
阅读量1.1k 收藏 6
点赞数
分类专栏： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Tianlock/article/details/87743088
版权

目标检测总结：focal loss 和 RetinaNet


　　之前总结过，目前常见的目标检测算法分one-stage和two-stage两种，one-stage以Yolo系列和SSD系列为代表，two-stage以Faster-RCNN系列为代表。两种类型的目标检测算法可谓各有所长，one-stage算法计算速度快，但其精度弱于two-stage算法，而two-stage算法计算速度虽然慢，但其精度较高，在精度方面一直是sota。
　　分析one-stage算法精度不高的原因，作者认为主要是类别的不平衡引起的。在anchor-based的目标检测算法中，绝大部分的anchor都是背景，只有少数的anchor存在object，所以在训练过程中，分类器可以无脑的把所有的anchor分类为background，这样导致了one-stage算法的精度不高。
　　而two-stage算法可以有效的避免这个问题，原因在于其第一个stage会对anchor进行简单的二分类，经过初步的筛选，属于background的bbox被大幅砍削，虽然数量依然多余存在object的bbox，但是数量的悬殊程度没有那么夸张，在第二个stage时，分类器再一次进行细分，使得two-stage算法精度上由于one-stage的算法。但是经过了两个stage的操作，使得two-stage的算法速度降了下来。
　　类别不平衡是one-stage算法精度不如two-stage算法的原因所在。

focal loss

由于原有的交叉熵损失函数无法解决类别不平衡这一问题。作者提出了一个新的损失函数focal loss。交叉熵（CE）和focal loss的对比如下：

最低0.47元/天 解锁文章
Tianlock
关注
专栏目录
focal loss和retinanet
yang_daxia的博客
05-30 785
focal loss主要解决proposal中多个bbox的框样本样本不平衡. 如上图, 比如出100000个框, 实际物体100个, 每一个loss 为2.3, 剩余的每一个loss为0.1,但是数量还是太多, 那么(100*2.3)/(10000*0.1)大约为40倍, 所以要降低esay examples(一般增加难分类的权重,这里降低是因为, esay example数量太多导致总的...
目标检测论文：Focal Loss for Dense Object Detection及其PyTorch实现
mingo_敏
10-05 502
Focal Loss for Dense Object Detection PDF: https://arxiv.org/pdf/1708.02002.pdf PyTorch代码: https://github.com/shanglianlm0525/PyTorch-Networks PyTroch代码:
resnet，retinanet,fpn网络结构及pytorch实现代码
shuijinghua的博客
11-28 3101
关于resnet，其巧妙地利用了shortcut连接，解决了深度网络中模型退化的问题。网络结构如下 FPN的目的 熟悉faster rcnn的人都知道，faster rcnn利用的是vgg的最后卷积特征，大小是7*7*512.而这造成了一个问题，经过多次卷积之后的特征通常拥有很大的感受野，它们比较适合用来检测大物体，或者说，它们在检测小物体任务上效果很差，所以像ssd和fpn这样的网络思想...
RetinaNet论文详解和代码（ResNet，FPN）
weixin_44021967的博客
04-30 4537
文章目录1.参考资料 1.参考资料 目标检测算法 - RetinaNet：https://zhuanlan.zhihu.com/p/67768433 https://zhuanlan.zhihu.com/p/59910080 RetinaNet论文原文：https://arxiv.org/pdf/1708.02002.pdf RetinaNet论文最全解析！一文读懂！：https://blog.csdn.net/weixin_40400177/article/details/103449280 Retina
深度学习之目标检测---RetinaNet网络结构详解
最新发布
qq_52191127的博客
08-11 1024
无论是前景类还是背景类， p t p_t pt​ 越大，权重 ( 1 − p t ) γ (1-p_t)^{\gamma} (1−pt​)γ 就越小，即简单样本的损失可以通过权重进行抑制；α t \alpha_t αt​ 用于调节正负样本损失之间的比例，前景类别使用 α t \alpha_t αt​ 时，对应的背景类别使用 1 − α t 1-\alpha_t 1−αt​;γ \gamma γ 和 α t \alpha_t αt​ 的最优值是相互影响的，所以在评估准确度时需要把两者组合起来调节。
目标检测-Focal loss
lucifer_24的博客
05-28 699
focal loss 论文地址：https://arxiv.org/pdf/1708.02002.pdf 传统的交叉熵损失函数： 定义pt如下。 那么公式可以改写为 我们可以用αt来改进交叉熵公式。 αt是个(0,1)的数，定义和pt差不多。取α为0.25，当为正样本时α是0.25，权重小，负样本时α时0.75，权重就大一些。 focal loss公式： 我猜FL是个pt的单调递减函数。...
Focal Loss(RetinaNet)原理与代码解析
00000cj的博客
11-01 1153
摘要 这篇论文作者主要是研究为什么单阶段目标检测器的检测效果不如两阶段检测器，并指出因为两阶段检测器最终是在第一阶段提取的稀疏proposal上进行分类和回归，而单阶段检测器是直接对大量密集的可能是目标的位置进行分类和回归，从而单阶段检测器在训练阶段严重的正负样本不平衡问题是导致效果差异的主要原因。作者在交叉熵(cross entropy)损失函数的基础上提出了focal loss，focal loss可以同时做到消除类别不平衡和更加关注难分样本。同时作者设计了一个简单的网络retinanet搭配foca
探索FocalNet：微软开源的视觉注意力网络框架
gitblog_00079的博客
04-14 560
探索FocalNet：微软开源的视觉注意力网络框架 FocalNet[NeurIPS 2022] Official code for "Focal Modulation Networks"项目地址:https://gitcode.com/gh_mirrors/fo/FocalNet 本文将带你深入了解，这是一个由微软开发并开源的深度学习模型，专注于解决目标检测和图像理解中的注意力问题。通过深入的...
【目标检测】Retinanet：Focal Loss for Dense Object Detection
kobe_huai的博客
06-10 4972
今天介绍一篇目标检测的文章，来自FAIR研究院 相关文献：Focal Loss for Dense Object Detection Motivation： 在two-stage检测器大行其道的今天，作者探究了one-stage 检测器在精度上不如two-stage检测器的原因。他们认为，one-stage检测器规则的密采样候选框的机制，会在采框过程中产生大量负样本，这种在训练时的前景-...
【深度学习】Retina Net 计算机视觉目标检测 Focal Loss
q742971636的博客
04-16 1076
分类损失：计算所有正负样本的Focal Loss加和，然后只除以正样本的个数。使用sigmoid Focal Loss。 回归损失：所有正样本的回归损失加和，然后除以正样本的个数。使用L1损失。
YOLO算法改进Backbone系列之：FocalNet
sc1434404661的博客
03-10 591
使用巨大的FocalNet和DINO，我们分别在COCO minival和test-dev上实现了64.3和64.4 mAP，在更大的基于注意力的模型(如Swinv2-G和BEIT-3)上建立了新的SoTA。大量的实验表明，FocalNets具有非凡的可解释性，并且在图像分类、目标检测和分割任务上，以相似的计算成本优于SoTA 的自注意力同类(例如Swin和Focal Transformers)。显然，SA需要大量的交互和聚合操作，而Focal Modulation颠倒了它们的顺序，使它们都变得轻量级。
Focal Network for Image Restoration
qq_44750091的博客
06-19 929
图像恢复的目的是从退化的图像中重建清晰的图像，这在许多领域发挥着重要作用。最近，Transformer 模型在各种图像恢复任务上取得了可喜的性能。然而，它们的二次复杂度对于实际应用来说仍然是一个棘手的问题。本研究的目的是开发一种高效且有效的图像恢复框架。受损坏图像中的不同区域总是经历不同程度的退化这一事实的启发，我们建议更多地关注重建的重要区域。为此，我们引入了双域选择机制来强调恢复的关键信息，例如边缘信号和硬区域。此外，我们分割高分辨率特征以将多尺度感受野插入到网络中，从而提高了效率和性能。
Focal Loss损失函数、RetinaNet网络
Tc、zyh的博客
10-24 1274
文章目录1、Focal Loss理解总结介绍RetinaNet 1、Focal Loss理解 总述 我们知道object detection的算法主要可以分为两大类：two-stage detector和one-stage detector。前者是指类似Faster RCNN，RFCN这样需要region proposal的检测算法，这类算法可以达到很高的准确率，但是速度较慢。虽然可以通过减少proposal的数量或降低输入图像的分辨率等方式达到提速，但是速度并没有质的提升。后者是指类似YOLO，SSD
Focal Loss和它背后的男人RetinaNet
小白将
04-06 1077
文章目录Focal LossRetinaNetBackboneAnchordetection模块模型初始化模型训练与预测与其他模型的对比参考 说起Focal Loss，相信做CV的都不会陌生，当面临正负样本不平衡时可能第一个想到的就是用Focal Loss试试。但是怕是很多人会不知道这篇论文中所提出的one stage目标检测模型RetinaNet，这也难怪，就连论文里面也说了RetinaNet模...
人脸检测——RetinaFace
怡宝2号
05-16 2万+
RetinaFace: Single-stage Dense Face Localisation in the Wild 作者： 帝国理工，伦敦米德尔塞克斯大学，InsightFace paper： https://arxiv.org/pdf/1905.00641.pdf github： https://github.com/deepinsight/insightface/tree/master/...
Focal Loss论文阅读笔记
热门推荐
Arch的博客
08-15 3万+
Focal Loss for Dense Object Detection引入问题目前目标检测的框架一般分为两种：基于候选区域的two-stage的检测框架（比如fast r-cnn系列），基于回归的one-stage的检测框架（yolo,ssd这种），two-stage的效果好，one-stage的快但是效果差一些。本文作者希望弄明白为什么one-stage的检测器准确率不高的问题，作者给出的解释
Focal loss 详解
黑条纹的白斑马的博客
02-10 1547
focal loss
深度学习【17】物体检测：Focal Loss 反向求导及darknet上的实现
DCD_LIN的博客
09-07 9745
Focal Loss 反向求导及darknet上的实现 Focal Loss 可以解决不平衡分类问题，是在交叉熵损失函数上的扩展。详见，论文：Focal Loss for Dense Object Detection。 该文，主要推导FL在softmax函数下的求导，以及记录在darknet上的实现。 FL损失函数如下： FL(pt)=−α(1−pt)γlog(pt)FL(pt)=−α(1...
解决密集目标检测中的类别不平衡：聚焦损失（Focal Loss）
"Focal Loss for Dense...RetinaNet作为使用Focal Loss的示例，展示了这种损失函数在提高检测速度和精度上的潜力。在实际应用中，Focal Loss已成为许多深度学习物体检测模型的常用组件，促进了模型在复杂场景下的表现。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值